梁計(jì)鋒

（西安翻譯學(xué)院 陜西 西安 710105）

基于改進(jìn)粒子群算法的交通流量預(yù)測(cè)研究

梁計(jì)鋒

（西安翻譯學(xué)院 陜西 西安 710105）

為了提高交通流量控制和優(yōu)化的精度，將混沌理論引入PSO對(duì)LS-SVM的核參數(shù)和懲罰系數(shù)進(jìn)行優(yōu)化選擇，提出一種ECLS-SVM交通流量預(yù)測(cè)模型。通過基于ECLS-SVM算法的單步、3步、5步和7步預(yù)測(cè)結(jié)果和不同模型的預(yù)測(cè)時(shí)間和預(yù)測(cè)均方誤差的對(duì)比結(jié)果可知，ECLS-SVM算法可以有效提高交通流量預(yù)測(cè)的精度和效率，對(duì)指導(dǎo)交通網(wǎng)絡(luò)資源的合理分配和規(guī)劃具有重要的理論意義和實(shí)際價(jià)值。

粒子群算法；遺傳算法；交通流量控制；交叉操作；變異操作

隨著城市化規(guī)模和交通網(wǎng)絡(luò)的日益增大，導(dǎo)致交通網(wǎng)絡(luò)管理工作的繁重程度急劇上升，交通事故頻發(fā)。為了保證交通資源的合理分配，高質(zhì)量的交通流量預(yù)測(cè)對(duì)交通網(wǎng)絡(luò)的規(guī)劃、管理和設(shè)計(jì)具有重要的理論意義和實(shí)際價(jià)值。

針對(duì)交通流量數(shù)據(jù)的非平穩(wěn)和非線性的特點(diǎn)，文中結(jié)合EMD和CPSO算法對(duì)LS-SVM核參數(shù)和懲罰系數(shù)進(jìn)行自適應(yīng)優(yōu)化，提出一種基于ECLSSVM算法的交通流量預(yù)測(cè)模型。通過EMD提取交通流量的細(xì)節(jié)特征和趨勢(shì)特征，構(gòu)建出基于ECLSSVM的交通流量預(yù)測(cè)模型的輸入和輸出，實(shí)現(xiàn)交通流量的預(yù)測(cè)，為網(wǎng)絡(luò)資源的合理配置和可靠傳輸提供決策的依據(jù)。

1 混沌粒子群算法

1.1 粒子群優(yōu)化算法

粒子群算法最初由kennedy等人提出，用來(lái)模擬鳥群群體飛行覓食的行為，通過鳥群群體之間的協(xié)同互助和競(jìng)爭(zhēng)實(shí)現(xiàn)覓食路徑的最優(yōu)化。覓食過程中，粒子將追蹤粒子群中的兩個(gè)極值，分別為粒子本身到當(dāng)前狀態(tài)下所找到的最優(yōu)解pbest和全種群到當(dāng)前狀態(tài)下所找到的最優(yōu)解gbest。

粒子的速度和位置可通過公式（1）和公式（2）進(jìn)行更新：

公式（1）和公式（2）中，xi，vi分別表示粒子的當(dāng)前位置和速度（i=1，2，…，m；d=1，2，…，n）；rand1和rand2為[0，1]之間的隨機(jī)數(shù)；c1和c2為學(xué)習(xí)因子（c1，c2＞0）。

1.2 混沌粒子群算法（CPSO）

針對(duì)傳統(tǒng)PSO算法存在早熟的問題，將混沌理論引入粒子群算法實(shí)現(xiàn)其改進(jìn)，其算法具體流程如下：

1）混沌初始化。假設(shè)優(yōu)化變量為D維。隨機(jī)生成D維向量z1=[z11，z12，…，z1D]，每個(gè)分量均處于[0，1]，依據(jù)Logistic方程獲得M個(gè)分量，z1，z2，…，zM：

運(yùn)用公式（3）實(shí)現(xiàn)混沌區(qū)間和變量范圍的映射：

公式（4）中，bj，aj分別表示所需優(yōu)化變量的上界和下界。

2）依據(jù)適應(yīng)度函數(shù)評(píng)估每個(gè)粒子的適應(yīng)度函數(shù)值，從M個(gè)初始粒子群中選擇N個(gè)作為初始解，粒子的速度隨機(jī)生成。

3）設(shè)定初始個(gè)體極值和全局極值。設(shè)定各粒子的當(dāng)前位置為個(gè)體極值Pi，依據(jù)適應(yīng)度函數(shù)評(píng)估各個(gè)體極值Pi的適應(yīng)度函數(shù)值，選擇最優(yōu)值的粒子所在位置定義為全局極值Pg。

4）依照公式（1）和公式（2）更新粒子的位置和速度。

5）混沌優(yōu)化最優(yōu)位置Pg。先將最優(yōu)位置映射成為L(zhǎng)ogistic方程的取值范圍為[0，1]，再根據(jù)Logistic方程生成m個(gè)混沌變量序列，最后將生成的混沌變量序列映射到優(yōu)化變量，獲得m個(gè)粒子，評(píng)估計(jì)算每個(gè)粒子的適應(yīng)度函數(shù)值大小，獲取最優(yōu)解p′。

6）運(yùn)用最優(yōu)解p′替換當(dāng)前粒子搜索群體中任意粒子的位置。

7）轉(zhuǎn)到步驟4），若滿足粒子群算法的終止條件，則輸出最優(yōu)值；反之，算法繼續(xù)。

1.3 經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）

經(jīng)驗(yàn)?zāi)B(tài)分解吸取了小波變換多分辨的優(yōu)點(diǎn)，同時(shí)克服了小波變換中小波基選擇和分解尺度很難確定的缺點(diǎn)，因此EMD非常適合分析交通流量序列，因?yàn)榻煌髁啃蛄惺欠蔷€性非平穩(wěn)序列。

交通流量數(shù)據(jù)序列x（t）可被分解成為：

2 ECLS-SVM交通流量預(yù)測(cè)模型

2.1 LS-SVM支持向量機(jī)

Suykens提出的LS-SVM可轉(zhuǎn)化為：

由公式（7）可知，LS-SVM的性能主要受γ，σ影響，為了實(shí)現(xiàn)γ，σ的自適應(yīng)選擇，文中運(yùn)用CPSO算法進(jìn)行γ，σ自適應(yīng)優(yōu)化。

2.2 ECLS-SVM網(wǎng)絡(luò)預(yù)測(cè)模型

由于LS-SVM需要優(yōu)化的參數(shù)為γ，σ，因此其優(yōu)化的數(shù)學(xué)模型如下：

通過優(yōu)化，在確保預(yù)測(cè)精度最優(yōu)的情況下，實(shí)現(xiàn)γ，σ參數(shù)的自適應(yīng)選擇，其適應(yīng)度函數(shù)可進(jìn)行定義。假設(shè)t時(shí)刻的實(shí)際交通流量為y（t），預(yù)測(cè)交通流量（t），那么實(shí)際交通流量y（t）和預(yù)測(cè)交通流量（t）的差值e（t）可以運(yùn)用如下公式表示：

針對(duì)交通流量預(yù)測(cè)的非線性問題，實(shí)際交通流量數(shù)據(jù)樣本為，運(yùn)用CPSO優(yōu)化LS-SVM的核參數(shù)和懲罰系數(shù)，使得LS-SVM的實(shí)際交通流量輸出和預(yù)測(cè)交通流量之間的差值的平方和最小，適應(yīng)度函數(shù)可以用如下公式表示：

公式（4～8）中，ξk≥0，k=1，2，…，N，C為懲罰因子。

LS-SVM網(wǎng)絡(luò)預(yù)測(cè)模型為：

3 仿真實(shí)驗(yàn)

3.1 數(shù)據(jù)來(lái)源

文中數(shù)據(jù)來(lái)源于某交通監(jiān)控站監(jiān)測(cè)數(shù)據(jù)，收集自2014年11月7日—2014年11月21日一共15天的數(shù)據(jù)為研究對(duì)象，每天每間隔1小時(shí)采集一次車流量數(shù)據(jù)，一共采集15*24=360組數(shù)據(jù)。

3.2 數(shù)據(jù)處理

實(shí)際交通流量數(shù)據(jù)序列進(jìn)行EMD分解，依次可以分解出不同的IMF分量。原始交通流量數(shù)據(jù)被分解成4個(gè)波動(dòng)較小的分量和1個(gè)剩余分量。根據(jù)IMF分量的分析結(jié)果，運(yùn)用CPSO優(yōu)化LSSVM的核參數(shù)和懲罰系數(shù)的模型進(jìn)行交通流量預(yù)測(cè)。

3.3 評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文算法進(jìn)行交通流量預(yù)測(cè)的有效性，文中采用均方誤差用來(lái)評(píng)價(jià)交通流量預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)，評(píng)價(jià)公式如下所示：

均方誤差：

其中，xi，分別表示實(shí)際交通流量和預(yù)測(cè)交通流量。

3.4 實(shí)驗(yàn)結(jié)果

將收集的360組交通流量數(shù)據(jù)分成訓(xùn)練樣本和測(cè)試樣本，將前336組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，用于建立預(yù)測(cè)模型；后面24組作為測(cè)試數(shù)據(jù)，用于驗(yàn)證預(yù)測(cè)結(jié)果的好壞。設(shè)定CPSO算法的最大迭代次數(shù)為100，種群大小為 20，popmin=-5.12，popmax=5.12，vmax=1，vmin=-1，由ECLS-SVM算法的單步預(yù)測(cè)、3步預(yù)測(cè)、5步預(yù)測(cè)和7步預(yù)測(cè)結(jié)果可知，隨著預(yù)測(cè)步長(zhǎng)的增加，ECLS-SVM算法的預(yù)測(cè)精度不斷提高，效果較好。圖1表示CPSO算法優(yōu)化LSSVM的適應(yīng)度收斂曲線。

圖1 CPSO優(yōu)化LSSVM的適應(yīng)度收斂曲線圖

為了對(duì)比ECLS-SVM算法的優(yōu)越性，將ECLSSVM算法、CPSO-LSSVM和LSSVM三者的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，運(yùn)行10次，其對(duì)比結(jié)果如表1所示。

由表1ECLS-SVM算法、CPSO-LSSVM和LSSVM3者預(yù)測(cè)的MSE誤差對(duì)比結(jié)果可知，ECLS-SVM算法的預(yù)測(cè)效果最好，優(yōu)于CPSO-LSSVM和LSSVM模型，其次CPSO-LSSVM的預(yù)測(cè)效果優(yōu)于LSSVM。

由表 2 ECLS-SVM算法、CPSO-LSSVM和LSSVM 3種模型預(yù)測(cè)時(shí)間對(duì)比結(jié)果可知，ECLSSVM算法的預(yù)測(cè)時(shí)間最短快于CPSO-LSSVM和LSSVM模型，而CPSO-LSSVM的預(yù)測(cè)時(shí)間短于LSSVM。

表1 ECLS-SVM算法、CPSO-LSSVM和LSSVM3種模型預(yù)測(cè)MSE誤差對(duì)比

表2 ECLS-SVM算法、CPSO-LSSVM和LSSVM3種模型預(yù)測(cè)時(shí)間對(duì)比/s

4 結(jié) 論

文中針對(duì)標(biāo)準(zhǔn)PSO算法存在局部最優(yōu)和約束條件的問題，運(yùn)用GA算法對(duì)標(biāo)準(zhǔn)PSO算法進(jìn)行改進(jìn)，使用改進(jìn)的粒子群算法對(duì)交通控制算法進(jìn)行優(yōu)化并與未改進(jìn)的PSO算法進(jìn)行對(duì)比，發(fā)現(xiàn)改進(jìn)的粒子群算法收斂速度和搜索能力均優(yōu)于未改進(jìn)的PSO算法。，之后將改進(jìn)的粒子群算法GA-PSO應(yīng)用于交通流量的預(yù)測(cè)上。不僅可以增加PSO算法的全局搜索能力，而且可以避免PSO算法陷入局部最優(yōu)解。在解決交通流量控制問題上，改進(jìn)的PSO算法同標(biāo)準(zhǔn)PSO算法相比，完全避免了收斂速度慢、統(tǒng)計(jì)不完善、局部最優(yōu)等問題，能夠很好地實(shí)現(xiàn)交通流量最優(yōu)化控制。但是，針對(duì)交通流量時(shí)間序列預(yù)測(cè)，本文運(yùn)用CPSO算法優(yōu)化LS-SVM進(jìn)行預(yù)測(cè)，雖有可以實(shí)現(xiàn)交通流量的預(yù)測(cè)，然而只能進(jìn)行交通流量的短期預(yù)測(cè)，無(wú)法實(shí)現(xiàn)長(zhǎng)期預(yù)測(cè)，后續(xù)研究需要結(jié)合更為復(fù)雜的數(shù)學(xué)模型，實(shí)現(xiàn)短期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)的統(tǒng)一。

[1] Karen Egiazarian， Alessandro Foi， Vladimir Katkovnik. Compressed sensing imagereconstruction via recursive spatially adaptive filtering [C]//IEEE Conf.on Image Processing（ICIP），San Antonio，2007.

[2]雷霆，余鎮(zhèn)危.一種交通流量預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型[J].計(jì)算機(jī)應(yīng)用，2012，26（3）:526-528.

[3]Wen Guo，YI zhengQiao，HAI yanHou.BP neural network optimized with PSO algorithm and its application in forecasting[C]//Proceedings of the IEEE internationalConference on Information Acquisition，2011:617-621.

[4]劉淵，戴悅，曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時(shí)間序列預(yù)測(cè) [J].計(jì)算機(jī)工程，2012，34（16）: 105-110.

[5]Michael Wakin，Jason Laska，Marco Duarte，Dror Baron，Shriram Sarvotham，Dharmpal Takhar，Kevin Kelly，and Richard Baraniuk，Compressive imaging for video representation and coding[C]// Proc.Picture Coding Symposium（PCS），Beijing，2006.

[6]Ray Maleh，Anna Gilbert，and Martin Strauss，Sparse gradient image reconstruction done faster [C]//IEEE Conf.on Image Processing（ICIP），San Antonio，2007.

[7]王西鋒，高嶺，張曉孿.自相似交通流量預(yù)測(cè)的分析和研究 [J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，17（11）: 42-45.

[8]馮海亮，林青家，陳滌，等.一種基于神經(jīng)網(wǎng)絡(luò)的交通流量組合預(yù)測(cè)模型 [J].計(jì)算機(jī)應(yīng)用，2010，26（9）:2206-2208.

[9]Cristiano Cervellera，Aihong Wen，Victoria C P Chen.Neural network and regression spline value function approximations for stochastic dynamic programming[J].Computer&Operations Research，2012，34（1）:70-90.

[10]李宗福，鄧瓊波，李桓.Kohonen SOFM神經(jīng)網(wǎng)絡(luò)及其演化研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2013，25（10）: 1729-1830.

[11]WangH， LiuY.A HybridParticleSwarm Algorithm with Cauchy Mutation [C]//in Proc IEEE Int.Conf.Swarm Intelligence Symposium（SIS），2011：356-360.

[12]Wang H，Liu Y.An improved particle swarm optimization with adaptive jumps [C]//In Proceedings of IEEE International Conference on Evolutionary Computation，2012：392-397.

[13]陳小鋒，史忠科.基于遺傳算法的交通信號(hào)動(dòng)態(tài)優(yōu)化方法[J].系統(tǒng)仿真學(xué)報(bào)，2004，16（6）:1155-1l57，1161

[14]Ray Maleh，Anna Gilbert，Martin Strauss.Sparse gradient image reconstruction done faster.IEEE Conf.on Image Processing （ICIP），San Antonio，Texas，September 2007.

[15]楊光，張國(guó)梅，劉星宇.基于小波核LS-SVM的交通流量預(yù)測(cè)[J].微機(jī)發(fā)展，2011，15（12）:125-128.

[16]任雪婷，賀興時(shí).一種改進(jìn)的粒子群與差分進(jìn)化混合算法[J].西安工程大學(xué)學(xué)報(bào)，2016，30（3）：380-387.

[17]高田田，張莉，李炳德，等.基于改進(jìn)粒子群算法的足球機(jī)器人路徑規(guī)劃[J].西安工程大學(xué)學(xué)報(bào)，2016，30（5）:609-615.

Traffic flow prediction based on improved particle swarm optimization

LIANG Ji-feng
（Xi'an Fanyi University，Xi'an 710105，China）

In order to improve the accuracy of the traffic flow control and optimization，chaos theory，applied to PSO is used to get the kernel parameter and Penalty coefficient of LS-SVM.Then ECLS-SVM is proposed to predict traffic.Comparing the predicted results of the steps based on ECLS-SVM algorithm and the predicted time and mean square error of algorithms of different models，ECLS-SVM algorithm can effectively improve the accuracy and efficiency of traffic flow forecasting.It has important theoretical significance and practical value for rational allocation and planning of traffic network resources.

particle swarm optimization；genetic algorithm；traffic flow control；crossover operation；mutation operation

TN0

：A

：1674－6236（2017）06-0047-04

2016-03-11稿件編號(hào)：201603136

梁計(jì)鋒（1979—），男，陜西乾縣人，碩士，講師。研究方向：電子與信息技術(shù)。